文本統計

到底什麼算一個詞

同一段文字問三個軟體要字數，很容易得到三個答案。這不是 bug，而是定義問題。像 "state-of-the-art" 這樣的連字元複合詞，在排版者眼裡是一個詞，在樸素的切分器眼裡是四個。"don't" 裡的撇號不能拆詞，而作為引號使用的撇號卻應該拆。數字、網址和郵箱各自又需要不同的規則。

本工具把「詞」定義為一串字母或數字，後面可以跟撇號再接字母。由於匹配是 Unicode 感知的，帶重音的拉丁字母、希臘字母、西里爾字母和中日韓字元都被視為字母，而不會被悄悄丟棄。詞與詞之間的標點起分隔作用，因此 "well-known" 記作兩個，"it's" 記作一個。重要的不是選了哪條規則，而是你知道規則是什麼——這樣你可以預測結果，而不是與它爭論。

句子、段落和行

在沒有語言模型的情況下，句子切分天然是啟發式的。按句號、問號和感嘆號切分對普通散文有效，遇到縮寫則會以可預料的方式失敗："Dr. Smith arrived at 9 a.m." 在樸素切分器看來像三句。做可讀性分析時，請把句子數當作良好的估計值，而不是精確數字。

段落和行更機械，但彼此不同。行是以換行符分隔的內容，所以一個硬換行的檔案行數很多、段落很少。段落是由一個或多個空行分隔的塊，這與 Markdown 和多數編輯器的理解一致。對比這兩個數字，可以迅速判斷文本是不是帶著硬換行過來的——貼上進會自動重排的系統時，這一點很關鍵。

閱讀時長與詞頻

閱讀時長按每分鐘 200 詞估算，這是普通散文默讀速度的常見均值。真實速度差異很大：帶程式碼示例的技術材料更慢，熟悉的營銷文案更快，手機上比桌面更慢。請把它用於相對比較，而不是對讀者的承諾。

詞頻才是這個工具在編輯環節真正的價值所在。按次數排序會暴露無意識的重複——八百字裡出現十一次的口頭禪，以及你想寫的主題是否真的是出現最多的名詞。「忽略常見詞」會移除冠詞、介詞、代詞等封閉類虛詞，否則它們會在任何語言的任何列表裡霸佔前排，卻什麼都說明不了。